为了实现室内照明的智能控制，根据室内人员实时位置进行跟踪式照明，通过人员覆盖区域完成自适应亮度调节，达到总体节能且局部照明舒适的目的。设计了基于光纤传感网络的智能照明系统，提出了基于深度学习的照明区块化设计与人员实时定位的照明调节算法。区块化设计将照明区域划分成多个等尺寸子区域，划分尺度由光源覆盖间距决定，实现对照明区域的离散处理。再通过状态采集模块对每个子区域进行照度量化分析，将检测结果作为卷积网络输入层的控制参数导入分析模型中。结合封闭体人员定位算法实现对照明子区域定位及照度调节。实验测试了100 m²照明范围内的四种典型情况，获得了各LED对测试位置的照度权值，并测试了不同高度对照度值的影响程度。区域内在x轴方向的人员定位精度最大误差为−96 cm，在y轴方向为91 cm，均小于预设照明区块的最小单元。文中算法在LED个数递增时，收敛时间略优于ANN算法，与对应LED体量的照明空间相比，收敛时间满足应用需求，验证了其具有大范围照明智能调节的能力。

针对智能柔性滑觉传感中位置与速度的实时监测问题，设计了一种监测目标位移与速度的光纤感知模块。首先，采用温度补偿模块解决温度交叉敏感问题；然后，在分析传感单元应力分布仿真结果的基础上提出了“米”型FBG组网结构；最后，采用标准压力计与小球完成了位置方向与速度状态的测试，并提出了适用该结构的目标状态解算模型。仿真结果显示，目标轨迹平均形变量约为0.32 μm，衰减距离宽度约为3.0 mm。实验针对0.255 kg钢制小球进行滑动测试，FBG应力灵敏度均优于0.0206 nm/N，FBG中心波长偏移量可以准确确定物体所在区域位置和物体运动方向。传感模块能够实时监测物体运动状态，智能调整物体施力大小及位姿。结果显示，该滑觉感知系统的平面定位精度、运动角度与速度换算均符合设计要求。并且根据模型函数关系可知，在调整传感网络中 FBG总量时可以实现对位置、角度及速度精度的控制。综上所述，该系统具有对检测区域内目标位置、运动状态实时监测的能力，适用于柔性智能装配、智能仿生皮肤等技术领域。

光纤网络通信中异常信息的快速、准确识别是保证通信稳定的关键，随着光纤网络通信数据的激增，也成为了近年来的一个研究热点。文中结合异常信息识别算法的精度与收敛速度之间的制约机理，提出了基于贝叶斯分区数据挖掘的异常信息识别算法。首先，采用贝叶斯定量完成数据样本的特征分类，通过极大化分析修正先验概率；然后，依据异常信息的不同类型设置挖掘特征参数及概率化系数；最后，依据贝叶斯分区分别对样本数据进行具有针对性的数据挖掘。实验以光纤局域网的通信状态数据为样本，将该算法与人工神经网络算法和遗传算法的识别结果进行对比，计算了三种算法的识别正确率、收敛速度以及算法稳定性。该算法的识别正确率均值为93.83%，在数据量增大时未发生明显的降低。收敛速度与遗传算法相近，均值为3.25 s。漏检率和误检率均值分别为0.10%和0.54%。结果表明：该算法识别正确率与收敛速度均得到了提高，稳定性好，并能够在漏检率与误检率之间通过参数控制进行微调，具有较好的应用价值。

从大规模光纤网络的海量数据中快速识别异常数据是光纤通信技术的一个关键性问题，也是近年来优化光纤通信网络及提高通信准确性的一个重要研究方向，主要解决异常数据的监测精度和收敛速度之间的制约关系。针对此问题提出了一种基于深度学习与遗传算法相融合的监测算法。该算法通过深度学习完成初始数据的分段预处理，再将具有分段属性的交叉概率与变异概率引入遗传算法，从而增强异常数据特征的保留效果。分段预处理将原有数据根据不同属性进行划分，从而大幅缩减了初始滤波的数据量，达到提高异常数据检测速度的目的；将分段属性导入遗传算法的遗传因子使其结果具有加权效果，增加了数据的可分性，从而提升了监测精度。将所提算法与未优化遗传算法、聚类算法进行对比实验，结果表明，所提算法、传统遗传算法和聚类分析算法的异常数据量最小相对误差分别为0.029、0.093和0.104；偏差平均值分别为0.047、0.155和0.156，平均收敛时间分别为5.84 s、12.6 s和9.32 s。由此可见，所提算法在监测精度、稳定性及时效性方面均得到了较好的优化。